Práce s chybějícími daty

Některým potenciálním dárcům chybí data o věku (age). R bohužel při sestavování regresního modelu vyřadí všechny záznamy s hodnotami NA.

Jedním ze způsobů, jak to obejít, je nahradit chybějící hodnoty odhadnutou hodnotou – tento postup se nazývá imputace. Poté můžeš také vytvořit indikátor chybějících dat, který zohlední možnost, že záznamy s chybějícími hodnotami se nějakým způsobem liší od těch bez nich.

Dataový rámec donors je načtený ve tvém pracovním prostoru.

Toto cvičení je součástí kurzu

Supervised Learning v R: Klasifikace

Zobrazit kurz

Pokyny k cvičení

Použij summary() na donors$age a zjisti průměrný věk uchazečů s dostupnými daty.
Pomocí ifelse() a testu is.na(donors$age) imputuj průměrný věk (zaokrouhlený na 2 desetinná místa) pro záznamy s chybějícím age. Nezapomeň také ignorovat hodnoty NA.
Vytvoř binární dummy proměnnou s názvem missing_age, která bude indikovat přítomnost chybějících dat – použij další volání ifelse() se stejným testem.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Find the average age among non-missing values
summary(___)

# Impute missing age values with the mean age
donors$imputed_age <- ifelse(___)

# Create missing value indicator for age
donors$missing_age <- ___

Upravit a spustit kód